全波形反演作为一种高分辨率地下成像技术,在实际应用中仍面临低频数据缺失、周期跳跃以及噪声干扰等一系列挑战,因此提出一种基于Fourier近似Wasserstein距离的隐式全波形反演方法。在目标函数层面,利用Wasserstein距离与Fourier系数...全波形反演作为一种高分辨率地下成像技术,在实际应用中仍面临低频数据缺失、周期跳跃以及噪声干扰等一系列挑战,因此提出一种基于Fourier近似Wasserstein距离的隐式全波形反演方法。在目标函数层面,利用Wasserstein距离与Fourier系数之间的有界关系,构建基于Fourier近似的低频增强型目标函数。通过对地震数据中低波数成分进行加权增强,提高模型背景速度的恢复质量,从而有效缓解周期跳跃问题。在模型重参数化层面,引入基于正弦激活函数的神经网络对速度模型进行隐式表征,利用其连续的高维映射特性替代传统的离散网格表示,在提高模型表征自由度的同时为反演过程引入由参数化带来的平滑约束。选取Marmousi、Marmousi2和SEG Salt 3个典型模型,分别在低频缺失、线性初始模型、含噪场景和强散射介质等条件下评估方法的有效性。结果表明,在初始模型较差、低频缺失、噪声干扰和强散射等复杂条件下,所提方法均表现出优异的鲁棒性与收敛性,能够有效克服周期跳跃并显著提升反演精度。展开更多
微动HVSR(horizontal-to-vertical spectral ratio)法是一种高效、非侵入式的地球物理探测手段,广泛用于城市地质调查与工程勘探。然而,行人、车辆等瞬态干扰会导致HVSR曲线畸变。现有瞬态干扰剔除方法存在局限:STA/LTA(short-term-aver...微动HVSR(horizontal-to-vertical spectral ratio)法是一种高效、非侵入式的地球物理探测手段,广泛用于城市地质调查与工程勘探。然而,行人、车辆等瞬态干扰会导致HVSR曲线畸变。现有瞬态干扰剔除方法存在局限:STA/LTA(short-term-average over long-term-average)法易误判且调参复杂,手动剔除法效率低,频域窗剔除法仅关注峰值频率信息。为此,本文提出一种基于机器学习的微动HVSR数据干扰信号压制方法。首先通过提取曲线形态特征训练曲线剔除模型,用于剔除HVSR数据中显著偏离平均趋势的离群HVSR曲线;随后提取峰值特征训练峰值识别模型,用于识别曲线中的有效共振峰值;最后结合DBSCAN(density-based spatial clustering of applications with noise)聚类算法对识别出的有效峰值进行聚类与二次剔除,去除频率和振幅异常的峰值所在曲线。曲线剔除模型和峰值识别模在测试集上的F_(1)分数分别为0.967和0.985,均表现出优异的分类性能。实际算例结果表明,本文方法在异常曲线剔除方面相较于STA/LTA法和频域窗剔除法具有更高的稳定性与准确性,处理后的曲线频谱分布更加集中,标准差曲线更加收敛,峰值更加清晰稳定。本文方法在实现高效自动处理的同时,剔除效果与手动剔除法高度一致。展开更多
文摘全波形反演作为一种高分辨率地下成像技术,在实际应用中仍面临低频数据缺失、周期跳跃以及噪声干扰等一系列挑战,因此提出一种基于Fourier近似Wasserstein距离的隐式全波形反演方法。在目标函数层面,利用Wasserstein距离与Fourier系数之间的有界关系,构建基于Fourier近似的低频增强型目标函数。通过对地震数据中低波数成分进行加权增强,提高模型背景速度的恢复质量,从而有效缓解周期跳跃问题。在模型重参数化层面,引入基于正弦激活函数的神经网络对速度模型进行隐式表征,利用其连续的高维映射特性替代传统的离散网格表示,在提高模型表征自由度的同时为反演过程引入由参数化带来的平滑约束。选取Marmousi、Marmousi2和SEG Salt 3个典型模型,分别在低频缺失、线性初始模型、含噪场景和强散射介质等条件下评估方法的有效性。结果表明,在初始模型较差、低频缺失、噪声干扰和强散射等复杂条件下,所提方法均表现出优异的鲁棒性与收敛性,能够有效克服周期跳跃并显著提升反演精度。
文摘微动HVSR(horizontal-to-vertical spectral ratio)法是一种高效、非侵入式的地球物理探测手段,广泛用于城市地质调查与工程勘探。然而,行人、车辆等瞬态干扰会导致HVSR曲线畸变。现有瞬态干扰剔除方法存在局限:STA/LTA(short-term-average over long-term-average)法易误判且调参复杂,手动剔除法效率低,频域窗剔除法仅关注峰值频率信息。为此,本文提出一种基于机器学习的微动HVSR数据干扰信号压制方法。首先通过提取曲线形态特征训练曲线剔除模型,用于剔除HVSR数据中显著偏离平均趋势的离群HVSR曲线;随后提取峰值特征训练峰值识别模型,用于识别曲线中的有效共振峰值;最后结合DBSCAN(density-based spatial clustering of applications with noise)聚类算法对识别出的有效峰值进行聚类与二次剔除,去除频率和振幅异常的峰值所在曲线。曲线剔除模型和峰值识别模在测试集上的F_(1)分数分别为0.967和0.985,均表现出优异的分类性能。实际算例结果表明,本文方法在异常曲线剔除方面相较于STA/LTA法和频域窗剔除法具有更高的稳定性与准确性,处理后的曲线频谱分布更加集中,标准差曲线更加收敛,峰值更加清晰稳定。本文方法在实现高效自动处理的同时,剔除效果与手动剔除法高度一致。
